penerapan data mining untuk menentukan pola penjualan
TRANSCRIPT
J-SISKO TECH Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD P:ISSN : 2621-8976 E-ISSN : 2615-5133 ◼ 118 Vol.3, No.1, Januari 2020, pp.118-136
Penerapan Data Mining Untuk Menentukan Pola Penjualan Peralatan Sekolah Pada Brand Wigglo
Dengan Menggunakan Algoritma Apriori
*Muhammad Syahril, Kamil Erwansyah, Milfa Yetri Program Studi Sistem Informasi, STMIK Triguna Dharma
Jl. A.H Nasution No.73 Medan, Indonesia, 20142 E-mail: [email protected]
Abstrak
Penjualan merupakan salah satu kegiatan pemasaran yang cukup penting dalam rangka pencapaian tujuan perusahaan. Pencapaian tingkat penjualan perusahaan adalah salah satu indikator dari tingkat kemajuan perusahaan, untuk mampu mencapai tingkat penjualan yang telah ditargetkan perusahaan itu berarti perusahaan harus mampu menciptakan produk dan jasa yang sesuai dengan kebutuhan dan keinginan konsumen juga bagaimana produk ini menjadi sumber profit bagi perusahaan sebagai fokus perusahaan dalam memasarkan produknya. Banyaknya data transaksi yang disimpan menyebabkan penumpukan data. Data tersebut dapat diolah lebih lanjut menjadi suatu infomasi yang berguna bagi manajer atau pelaku usaha pada PT. Panen Lestari Internusa dalam pengambilan keputusan, melakukan analisis terhadap penjualan pada produknya, mengatur stok serta pola yang ada pada perusahaan tersebut dan melakukan strategi penjualan yang bertujuan untuk kemajuan perusahaan atau usaha tersebutOleh karena itu diperlukan adanya sistem yang dapat membantu dalam menerapkan data penjualan dan transaksi untuk mengatur pola penjualan produk, mengatur stok bahan produk dan menerapkan strategi pemasaran. Algoritma Apriori adalah metode yang sering memanfaatkan itemset dalam pertambangan data atau produk.
. Kata kunci : Data Mining, Pola Penjualan, Algoritma Apriori
Abstract Sales is one of the marketing activities that is quite important in order to achieve company goals. Achieving the level of sales of the company is one indicator of the level of progress of the company, to be able to achieve the level of sales that the company has targeted it means the company must be able to create products and services that are in accordance with the needs and desires of consumers as well as how this product is a source of profit for the company as a focus of the company in marketing their products. The large amount of transaction data stored causes data to accumulate. The data can be further processed into a useful information for managers or business people at PT. Harvest Lestari Internusa in making decisions, analyzing sales of its products, managing stock and patterns that exist in the company and conducting sales strategies aimed at the progress of the company or business. Therefore a system that can help in applying sales and transaction data is needed to help regulate product sales patterns, manage product material stocks and implement marketing strategies. Apriori algorithm is a method that often utilizes itemset in data or product mining. Keywords: Data Mining, Sales Pattern, Apriori Algorithm
1. PENDAHULUAN
Perkembangan dan persaingan dalam dunia bisnis perdagangan serta kemajuan
J-SISKO TECH P-ISSN : 2621-8976 E-ISSN : 2615-5133 ◼
119
teknologi informasi merupakan suatu hal yang saling terkait, dalam ketatnya persaingan pasar untuk memenuhi tuntutan pelanggan yang semakin tinggi. Perusahaan memerlukan strategi dan kecerdasan bisnis untuk dapat terus memenuhi keinginan pelanggan dan tuntutan pasar. Sehingga kemajuan teknologi sangat dibutuhkan untuk mengembangkan bisnis perdagangan.
Dalam persaingan di dunia bisnis, khususnya industri di bidang retail, menuntut para pengembang untuk menemukan suatu strategi yang tepat supaya dapat meningkatkan penjualan peralatan sekolah, salah satu cara yaitu dengan mengetahui pola penjualan peralatan sekolah sehingga kita bisa menerapkan langkah-langkah yang tepat untuk memberikan
fasilitas yang lebih, guna meningkatkan daya jual. PT. Panen Lestari Internusa merupakan perusahaan yang bergerak di bidang retail. PT. Panen
Lestari Internusa terdiri dari brand ternama, salah satunya adalah Brand Wigglo yang terdiri dari berbagai item jual, seperti Clipboard, Note Book, Note Keyring, Wallet, Pencil Case, Pouch, Bag, Life Style, Sling Bag, Junior Backpack, Eyemask, Duffle Bag, Note Book Canvas, Hardtop Pencil Case, Big Bow, dll. Setiap hari data transaksi penjualan di Brand Wigglo semakin bertambah banyak sehingga data tersebut menumpuk, Namun data ini seringkali diperlakukan hanya sebagai rekaman tanpa pengolahan lebih lanjut sehingga tidak mempunyai nilai guna lebih untuk bisa dimanfaatkan dengan baik. Analisis dari tiap koleksi data tersebut akan menghasilkan pengetahuan atau informasi, misalnya berupa pola dan kaidah asosiasi yang terjadi pada data. Metode yang sering digunakan dalam melakukan menganalisa pola penjualan dalam data mining menerapkan pola penjualan yaitu metode Algoritma Apriori
Algoritma Apriori salah satu dari jenis aturan asosiasi yang ada pada Data Mining, Algoritma Apriori bertujuan untuk menemukan sebuah frequent itemset yang dijalankan pada sekumpulan data. Analisis Apriori adalah suatu proses untuk menemukan semua aturan Apriori yang memenuhi syarat minimum untuk support dan syarat minimum untuk confidence. Penerapan Algoritma Apriori dapat membantu dalam membentuk kandidat kombinasi item, kemudian dilakukan pengujian apakah kombinasi tersebut memenuhi parameter support dan confidence minimum yang merupakan nilai ambang yang diberikan oleh peneliti. Jika memenuhi parameter support dan confidence maka hasil tersebut dapat membantu dalam penentuan pola penjualan peralatan sekolah. 2. METODE PENELITIAN 2.1 Data Mining
Data yaitu kumpulan fakta yang terekam atau sebuah entitas yang tidak memiliki arti dan selama ini terabaikan. Sedangkan mining yaitu proses penambangan. (Nofriansyah, 2015 : 1)
Sehingga Data Mining itu dapat diartikan sebagai proses penambangan data yang menghasilkan sebuah output (keluaran) berupa pengetahuan.
Menurut Ristianingrum, dkk (2017 : 372) Data Mining adalah Serangkaian proses untuk menggali nilai tambah berupa informasi yang selama initidak diketahui secara manual dari suatu basisdata dengan melakukan penggalian pola pola dari data dengantujuan untuk memanipulasi data menjadi informasi yang lebih berharga yang diperoleh dengan caramengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat dalam basis data.
Data Mining adalah serangkaian proses untuk menambah serta mencari informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang dihasilkan diperoleh dengan cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat pada basis data. Data mining terutama digunakan untuk mencari pengetahuan yang terdapat dalam basis data yang besar sehingga sering disebut Knowledge Discovery Databases (KDD). (Vulandari, 2017:1-2)
Menurut Larose dalam (Nofriansyah, 2015 : 1) ‘Data Mining merupakan analisis dari peninjauan kumpulan data untuk menemukan hubungan yang tidak diduga dan meringkas data dengan cara berbeda dengan sebelumnya, yang dapat dipahami dan bermanfaat bagi pemilik data’. Berdasarkan defenisi-defenisi yang telah disampaikan, hal penting yang terkait dengan Data Mining adalah : 1. Data Mining merupakan suatu proses otomatis terhadap data yang sudah ada. 2. Data yang akan diproses berupa data yang sangat besar. 3. Tujuan Data Mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi
yang bermanfaat.
2.2 Knowledge Discovery Database (KDD)
◼ P-ISSN : 2621-8976 E-ISSN : 2615-5133
J-SISKO TECH Vol. 3, No. 1, 2020 : 118-136
120
Pada proses Data Mining yang biasa disebut Knowledge Discovery Database (KDD). Knowledge Discovery Database (KDD) adalah penerapan metode saintifik pada data mining. Pada konteks ini data mining merupakan satu langkah dari proses KDD, terdapat beberapa proses seperti terlihat pada gambar di bawah ini :
1. Seleksi Data (Selection) Selection (seleksi/pemilihan) data dari sekumpulan data operasional perlu dilakukan sebelum tahap
penggalian informasi dalam Knowledge Discovery Database (KDD) dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional. 2. Pemilihan Data (Preprocessing/Cleaning)
Proses Preprocessing mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atauinformasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. 3. Transformasi (Transformation)
Pada fase ini yang dilakukan adalah mentransformasi bentuk data yang belum memiliki entitas yang jelas ke dalam bentuk data yang valid atau siap untuk dilakukan proses Data Mining. 4. Data Mining
Pada fase ini yang dilakukan adalah menerapkan algoritma atau metode pencarian pengetahuan. 5. Interpretasi/Evaluasi (Interpratation/Evaluation)
Pada fase terakhir ini yang dilakukan adalah proses pembentukan keluaran yang mudah dimengerti yang bersumber pada proses Data Mining pola informasi.
2.3 Algoritma Apriori
Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rule.
Menurut Ristianingrum, dkk (2017 : 372) Algoritma apriori adalah suatu metode untuk mencari pola hubungan antar satu atau lebih item dalam suatu dataset. Algoritma apriori banyak digunakan pada data transaksi atau biasa disebut market basket,misalnya sebuah swalayan memiliki market basket, dengan adanya algoritma apriori, pemilik swalayan dapat mengetahui pola pembelian seorang konsumen, jika seorang konsumen membeli item A , B, punya kemungkinan50% dia akan membeli item C, pola ini sangat signifikan dengan adanya data transaksi selama ini.
Algoritma Apriori menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya. Pada Algoritma Apriori menentukan kandidat yang mungkin
Transformasi
Pemilihan
Seleksi
Data Mining
Interpretasi/
Evaluasi
Target Data
Persiapan
Pemilihan Data
Transformasi
Data
Pola
Pengetahuan
J-SISKO TECH P-ISSN : 2621-8976 E-ISSN : 2615-5133 ◼
121
muncul dengan cara memperhatikan minimum support dan minimum confidence. Support adalah nilai pengunjung atau persentase kombinasi sebuah item dalam database
2.4 Pemodelan Sistem
Pemodelan sistem adalah proses membangun atau membentuk sebuah model dari suatu sistem
nyata dalam bahasa formal tertentu. Untuk memodelkan suatu sistem maka kita perlu tahu gambaran
permasalahan yang ada serta hubungan antar komponen.
2.4.1 Unified Modeling Language (UML) “UML (Unified Modeling Language) merupakan bahasa visual untuk pemodelan dan komunikasi
mengenai sebuah sistem dengan menggunakan diagram dan teks-teks pendukung”. (Rosa & Shalahuddin, 2015 : 137).
Pemodelan adalah gambaran dari realita yang simpel dan dituangkan dalam bentuk pemetaan dengan aturan tertentu. Pemodelan dapat menggunakan bentuk yang sama dengan realitas, misalnya jika seorang arsitek ingin memodelkan sebuah gedung yang akan dibangun maka dia akan memodelkannya dengan membuat sebuah maket (tiruan) arsitektur gedung yang akan dibangun dimana maket itu akan dibuat semirip mungkin dengan desain gedung yang akan dibangun agar arsitektur gedung yang diinginkan dapat terlihat. (Rosa & Shalahuddin, 2015 : 135)
2.4.2 Use Case Diagram
Use case atau diagram use case merupakan pemodelan untuk kelakuan (behavior) sistem informasi yang akan dibuat. Use case mendeskripsikan sebuah interaksi antara satu atau lebih aktor dengan sistem informasi yang akan dibuat. Secara kasar, use case digunakan untuk mengetahui fungsi apa saja yang ada di dalam sebuah sistem informasi dan siapa saja yang berhak menggunakan fungsi-fungsi itu. (Rosa & Shalahuddin, 2015 : 155)
2.4.3 Activity Diagram
Diagram aktivitas atau activity diagram menggambarkan workflow (aliran kerja) atau aktivitas dari sebuah sistem atau proses bisnis atau menu yang ada pada perangkat lunak.Yang perlu diperhatikan disini adalah bahwa diagram aktivitas menggambarkan aktivitas sistem bukan apa yang dilakukan aktor, jadi aktivitas yang dapat dilakukan oleh sistem. (Rosa & Shalahuddin, 2015 : 161).
2.4.4 Class Diagram
Diagram kelas atau class diagram menggambarkan struktur sistem dari segi pendefinisian kelas-kelas yang akan dibuat untuk membangun sistem. Kelas memiliki atribut dan metode atau operasi. (Rosa & Shalahuddin, 2015 : 141). 3. ANALISA DAN HASIL 3.1 Analisa Permasalahan
Proses menentukan pola penjualan pada Toko Bahan Bangunan Utama dilakukan dengan cara menganalisa pola data transaksi penjualan yang didapat dari setiap bulanya, dengan menganalisa sebuah pola yang terkandung didalam data transaksi Toko Bahan Bangunan Utama mendapatkan informasi mengenai produk-produk terunggul atau produk yang paling diminati para konsumenya, dimana hasil informasi tersebut digunakan sebagai acuan untuk tindakan dalam mengembangkan bisnis. Seperti, memperbayak jumlah persediaan produk, dan mengembangkan produk terunggul di setiap bulanya.
Penggunaan alat bantu yang terbatas dan lamanya dalam penentuan produk terunggul Toko Bahan Bangunan Utama menghambat proses penentuan. Sebab semakin bayak data transaksi penjualan dalam kurun waktu tertentu semakin lama juga proses menentukanya, karena proses yang dilakukan masih dilakukan dengan pencatatan, sehingga hal ini membuat pihak perusahaan kesulitan untuk menentukan produk mana yang paling diminati oleh konsumen. 3.2 Algoritma Sistem
Algoritma sistem adalah suatu proses sistematika dari pengembangan kebutuhan. Algoritma sistem
merupakan cara yang efektif untuk melakukan sesuatu perencanaan pengumpulan data dan analisis data.
Adapun tahapan-tahapan algoritma sistem data mining untuk mendapatkan pola belanja produk dengan
algoritma apriori pada transaksi penjualan sebagai berikut :
◼ P-ISSN : 2621-8976 E-ISSN : 2615-5133
J-SISKO TECH Vol. 3, No. 1, 2020 : 118-136
122
1. Penginputan data produk dan data transaksi. 2. Pembentukan kombinasi 1 itemset data transaksi. 3. Pembentukan kombinasi 2 itemset data transaksi. 4. Pembentukan aturan asosiasi. 5. Pilih pasangan itemset sesuai dengan nilai minimum support dan minimum confidence yang
ditemukan.
Association Rule merupakan suatu proses pada data mining untuk menentukan semua aturan assosiatif yang memenuhi syarat minumun untuk support (minsup) dan confidance (minconf) pada sebuah database. Kedua syarat tersebut akan digunakan untuk interesting association rule dengan dibandingkan dengan batasan yang telah ditentukan, yaitu minsup dan mincof.
Asso ciation Rule Mining adalah suatu prosedur untuk mencari hubungan antar item dalam suatu dataset. Dimulai dengan mencari frequent itemset, yaitu kombinasi yang paling sering terjadi dalam suatu itemset dan harus memenuhi minsup. Dalam tahap ini akan dilakukan pencarian kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Untuk mendapatkan nilai support dari suatu item A dapat diperoleh menggunakan rumus berikut :
Support (A) =
Kemudian untuk mendapatkan nilai support dari dua item diperoleh dengan rumus berikut :
Support (A,B) =
Setelah semua frequent item dan large itemset di dapatkan, dapat dicari syarat minum confidence (mincof) dengan menggunakan rumus berikut :
Confidence (A B) =
3.3 Hasil Analisis
Berikut adalah sejumlah data produk dari data transaksi pada bulan Oktober 2018 sampai bulan November 2018 pada PT. Panen Lestari Internusa. Data tersebut adalah data sample dari data transaksi sebanyak 40 transaksi yang akan dilakukan pengujiannya :
Tabel 3.1 Data Produk transaksi pada bulan Oktober 2018
No Tanggal
Transaksi Transaksi
1 1/10/2018 Clipboard, Note Book, Note Keyring, Wallet, Pencil Case, Pouch, Life Style, Junior Backpack, Duffle Bag, Note Book Canvas, Hardtop Pencil Case
2 2/10/2018 Note Keyring, Life Style, Sling Bag
3 4/10/2018 Note Book, Note Keyring, Pencil Case, Pouch, Bag, Note Book Canvas
4 6/10/2018 Clipboard, Note Book, Note Keyring, Wallet, Big Bow
5 7/10/2018 Note Keyring, Life Style, Sling Bag
6 10/10/2018 Note Book, Note Keyring, Pencil Case, Pouch, Bag, Sling Bag
7 12/10/2018 Clipboard, Note Book, Bag, Sling Bag, Eyemask, Hardtop Pencil Case
8 13/10/2018 Clipboard, Bag, Life Style, Sling Bag, Junior Backpack
9 14/10/2018 Clipboard, Note Book, Note Keyring, Pencil Case, Pouch, Bag, Sling Bag, Junior Backpack, Note Book Canvas, Hardtop Pencil Case
10 16/10/2018 Clipboard, Wallet, Pencil Case, Bag, Junior Backpack, Eyemask
11 18/10/2018 Clipboard, Note Book, Note Keyring, Wallet, Pouch, Bag, Life Style, Hardtop Pencil Case
J-SISKO TECH P-ISSN : 2621-8976 E-ISSN : 2615-5133 ◼
123
12 20/10/2018 Note Book, Note Keyring, Pencil Case, Pouch, Bag, Junior Backpack
Tabel 3.1 Data Produk transaksi pada bulan Oktober 2018 (Lanjutan)
No Tanggal
Transaksi Transaksi
13 21/10/2018 Duffle Bag, Hardtop Pencil Case
14 24/10/2018 Clipboard, Note Keyring, Big Bow
5 25/10/2018 Life Style, Sling Bag, Hardtop Pencil Case
16 27/10/2018 Clipboard, Note Book, Pencil Case, Pouch, Bag, Eyemask, Note Book Canvas
17 28/10/2018 Duffle Bag
18 30/10/2018 Clipboard, Wallet, Life Style, Hardtop Pencil Case
19 31/10/2018 Pouch, Bag, Big Bow
20 2/11/2018 Clipboard, Note Book, Wallet, Pencil Case, Sling Bag, Note Book Canvas
21 3/11/2018 Note Book, Note Keyring, Pouch, Life Style, Junior Backpack, Eyemask
22 4/11/2018 Clipboard, Wallet, Pencil Case, Bag, Junior Backpack
23 6/11/2018 Clipboard, Note Book, Sling Bag, Junior Backpack, Big Bow
24 7/11/2018 Clipboard, Junior Backpack, Duffle Bag
25 10/11/2018 Clipboard, Note Book, Wallet, Pencil Case, Bag, Sling Bag, Junior Backpack, Note Book Canvas
26 11/11/2018 Clipboard, Pouch, Bag, Life Style, Sling Bag, Note Book Canvas
27 13/11/2018 Note Book, Note Keyring, Pouch, Bag, Hardtop Pencil Case
28 15/11/2018 Bag
29 16/11/2018 Clipboard, Note Book, Wallet, Pencil Case, Bag
30 17/11/2018 Bag, Life Style, Sling Bag, Note Book Canvas, Hardtop Pencil Case
31 18/11/2018 Note Keyring, Pencil Case
32 20/11/2018 Clipboard, Pencil Case, Bag, Sling Bag, Junior Backpack, Eyemask
33 23/11/2018 Note Book, Pencil Case, Junior Backpack, Duffle Bag, Hardtop Pencil Case
34 24/11/2018 Life Style, Junior Backpack
35 25/11/2018 Clipboard, Wallet, Pencil Case, Pouch, Bag, Junior Backpack
36 26/11/2018 Note Book, Note Keyring
37 27/11/2018 Duffle Bag
38 28/11/2018 Clipboard, Note Book, Pencil Case, Sling Bag, Junior Backpack
◼ P-ISSN : 2621-8976 E-ISSN : 2615-5133
J-SISKO TECH Vol. 3, No. 1, 2020 : 118-136
124
39 29/11/2018 Life Style
40 30/11/2018 Clipboard, Note Book, Pencil Case, Pouch, Sling Bag
3.3.1 Menentukan Support 1 Itemset
Dari data transkasi pada tabel 3.1, maka dapat dicari nilai support1 itemset dengan rumus sebagai berikut :
Sehingga dapat dicari nilai support 1 itemset seperti pada tabel dibawah ini. Dari perhitungan diatas dapat dibuat tabel untuk mempermudah melihat nilai support 1 itemset, berikut tabelnya :
Tabel 3.2 : Hasil Support 1 Itemset
No Itemset Frekuensi
Kemunculan Support 1 Itemset
1 Clipboard 21 = 52,50%
2 Note Book 19 = 47,50%
3 Note Keyring 14 = 35,00%
4 Wallet 10 = 25,00%
5 Pensil Case 17 = 42,50%
6 Pouch 13 = 32,50%
7 Bag 19 = 47,50%
8 Life Style 12 = 30,00%
9 Sling Bag 15 = 37,50%
10 Junior Backack 15 = 37,50%
11 Eyemask 5 = 12,50%
12 Duffle Bag 6 = 15,00%
13 Note Book Canvas 8 = 20,00%
14 Hardtop Pencil Case 10 = 25,00%
15 Big Bow 4 = 10,00%
Dengan nilai support yang didapat, maka ditentukan minimum support sebesar 25%, kemudian eliminasi nilai support 1 itemset yang tidak memenuhi ketentuan minimum support yaitu sebagai berikut :
J-SISKO TECH P-ISSN : 2621-8976 E-ISSN : 2615-5133 ◼
125
Tabel 3.3 Hasil Minimum Support 1 Itemset
No Itemset Frekuensi
Kemunculan Support 1
Itemset
1 Clipboard 21 52,50%
2 Note Book 19 47,50%
3 Note Keyring 14 35,00%
4 Wallet 10 25,00%
5 Pensil Case 17 42,50%
Tabel 3.3 Hasil Minimum Support 1 Itemset (Lanjutan)
No Itemset Frekuensi
Kemunculan Support 1
Itemset
6 Pouch 13 32,50%
7 Bag 19 47,50%
8 Life Style 12 30,00%
9 Sling Bag 15 37,50%
10 Junior Backpack 15 37,50%
11 Hardtop Pencil Case 10 25,00%
3.3.2 Menentukan Support 2 Itemset
Dari data transaksi pada tabel 3.2 dan hasil minimum support 1 itemset pada tabel 3.4, maka dapat dicari nilai support2 itemset dengan rumus sebagai berikut :
Sehingga dapat dicari nilai support 2 itemset pada tabel dibawah ini :
Tabel 3.4 : Hasil Nilai Support 2 Itemset
No Itemset Frekuensi
Kemunculan Support 2 Itemset
1 Clipboard, Note Book 12 30,00%
2 Clipboard, Note Keyring 5 12,50%
3 Clipboard, Wallet 10 25,00%
4 Clipboard, Pencil Case 12 30,00%
◼ P-ISSN : 2621-8976 E-ISSN : 2615-5133
J-SISKO TECH Vol. 3, No. 1, 2020 : 118-136
126
5 Clipboard, Pouch 7 17,50%
6 Clipboard, Bag 12 30,00%
7 Clipboard, Life Style 5 12,50%
8 Clipboard, Sling Bag 10 25,00%
Tabel 3.4 : Hasil Nilai Support 2 Itemset (Lanjutan)
No Itemset Frekuensi
Kemunculan Support 2 Itemset
9 Clipboard, Junior Backpack 11 27,50%
10 Clipboard, Hardtop Pencil Case 5 12,50%
11 Note Book, Note Keyring 10 25,00%
12 Note Book, Wallet 6 15,00%
13 Note Book, Pencil Case 12 30,00%
14 Note Book, Pouch 10 25,00%
15 Note Book, Bag 10 25,00%
16 Note Book, Life Style 3 7,50%
17 Note Book, Sling Bag 8 20,00%
18 Note Book, Junior Backpack 8 20,00%
19 Note Book, Hardtop Pencil Case 6 15,00%
20 Note Keyring, Wallet 3 7,50%
21 Note Keyring, Pencil Case 6 15,00%
22 Note Keyring, Pouch 8 20,00%
23 Note Keyring, Bag 5 12,50%
24 Note Keyring, Life Style 5 12,50%
25 Note Keyring, Sling Bag 4 10,00%
J-SISKO TECH P-ISSN : 2621-8976 E-ISSN : 2615-5133 ◼
127
26 Note Keyring, Junior Backpack 4 10,00%
27 Note Keyring, Hardtop Pencil Case 4 10,00%
28 Wallet, Pencil Case 7 17,50%
29 Wallet, Pouch 3 7,50%
Tabel 3.4 : Hasil Nilai Support 2 Itemset (Lanjutan)
No Itemset Frekuensi
Kemunculan Support 2 Itemset
30 Wallet, Bag 6 15,00%
31 Wallet, LifeStyle 3 7,50%
32 Wallet, Sling Bag 2 5,00%
33 Wallet, Junior Backpack 5 12,50%
34 Wallet, Hardtop Pencil Case 3 7,50%
35 Pencil Case, Pouch 8 20,00%
36 Pencil Case, Bag 11 27,50%
37 Pencil Case, Life Style 1 2,50%
38 Pencil Case, Sling Bag 7 17,50%
39 Pencil Case, Junior Backpack 10 25,00%
40 Pencil Case, Hardtop Pencil Case 3 7,50%
41 Pouch, Bag 10 25,00%
42 Pouch, Life Style 4 10,00%
43 Pouch, Sling Bag 4 10,00%
44 Pouch, Junior Backpack 5 12,50%
45 Pouch, Hardtop Pencil Case 4 10,00%
46 Bag, Life Style 4 10,00%
47 Bag, Sling Bag 8 20,00%
◼ P-ISSN : 2621-8976 E-ISSN : 2615-5133
J-SISKO TECH Vol. 3, No. 1, 2020 : 118-136
128
48 Bag, Junior Backpack 8 20,00%
49 Bag, Hardtop Pencil Case 5 12,50%
50 Life Style, Sling Bag 6 15,00%
51 Life Style, Junior Backpack 4 10,00%
Tabel 3.4 : Hasil Nilai Support 2 Itemset (Lanjutan)
No Itemset Frekuensi
Kemunculan Support 2 Itemset
52 Life Style,Hardtop Pencil Case 5 12,50%
53 Sling Bag, Junior Backpack 6 15,00%
54 Sling Bag, Hardtop Pencil Case 3 7,50%
55 Junior Backpack, Hardtop Pencil Case 3 7,50%
Dengan nilai support 2 itemset yang didapat, maka ditentukan minimum support sebesar 25%,
kemudian eliminasi nilai support 2 itemset yang tidak memenuhi ketentuan minimum support yaitu sebagai berikut :
Tabel 3.5 : Hasil Minimum Support 2 Itemset
NO Itemset Frekuensi
Kemunculan Support 2
Itemset
1 Clipboard, Note Book 12 30,00%
2 Clipboard, Wallet 10 25,00%
3 Clipboard, Pencil Case 12 30,00%
4 Clipboard, Bag 12 30,00%
5 Clipboard, Sling Bag 10 25,00%
6 Clipboard, Junior Backpack 11 27,50%
7 Note Book, Note Keyring 10 25,00%
8 Note Book, Pencil Case 12 30,00%
9 Note Book, Pouch 10 25,00%
10 Note Book, Bag 10 25,00%
11 Pencil Case, Bag 11 27,50%
12 Pencil Case, Junior Backpack 10 25,00%
13 Pouch, Bag 10 25,00%
3.3.3 Menentukan Confidence
Selanjutnya akan dihitung nilai confidence. Nilai confidence ditentukan dari setiap kombinasiyang terdapat pada tabel 3.5 berdasarkan rumus :
J-SISKO TECH P-ISSN : 2621-8976 E-ISSN : 2615-5133 ◼
129
Sehingga dapat dicari nilai confidence sepertipada tabel dibawah ini :
Tabel 3.6: Hasil Confidence
No Itemset Frekuensi
Kemunculan A
Frekuensi Kemunculan
A∩B Confidence
1 Clipboard, Note Book 21 12 57,14%
2 Note Book, Clipboard 19 12 %
3 Clipboard, Wallet 21 10 47,61%
4 Wallet, Clipboard 10 10 100 %
5 Clipboard, Pencil Case 21 12 57,14%
6 Pencil Case, Clipboard 17 12 70,58%
7 Clipboard, Bag 21 12 57,14%
8 Bag, Clipboard 19 12 63,15%
9 Clipboard, Sling Bag 21 10 47,61%
10 Sling Bag, Clipboard 15 10
11 Clipboard, Junior Backpack 21 11
12 Junior Backpack, Clipboard 15 11
13 Note Book, Note Keyring 19 10
14 Note Keyring, Note Book 14 10
15 Note Book, Pencil Case 19 12
◼ P-ISSN : 2621-8976 E-ISSN : 2615-5133
J-SISKO TECH Vol. 3, No. 1, 2020 : 118-136
130
16 Pencil Case, Notebook 17 12
17 Note Book, Pouch 19 10
18 Pouch, Note Book 13 10
19 Note Book, Bag 19 10
Tabel 3.6 : Hasil Confidence (Lanjutan)
No Itemset Frekuensi
Kemunculan A
Frekuensi Kemunculan
A∩B
20 Bag, Note Book 19 10 52,63%
21 Pencil Case, Bag 17 11 64,70%
22 Bag, Pencil Case 19 11 57,89%
23 Pencil Case, Junior Backpack 17 10 58,82%
24 Junior Backpack, Pencil Case 15 10 66,66%
25 Pouch, Bag 13 10 76,92%
26 Bag, Pouch 19 10 52,63%
Dengan nilai confidence yang didapat, maka ditentukan minimum ceonfidence sebesar 55%,
kemudian eliminasi nilai confidence yang tidak memenuhi ketentuan minimum confidence yaitu sebagai berikut :
Tabel 3.7 : Hasil Minimum Confidence
No Itemset Frekuensi
Kemunculan A
Frekuensi Kemunculan
A∩B Confidence
1 Clipboard, Note Book 21 12 57,14%
2 Note Book, Clipboard 19 12 63,15%
3 Wallet, Clipboard 10 10 100 %
4 Clipboard, Pencil Case 21 12 57,14%
5 Pencil Case, Clipboard 17 12 70,58%
6 Clipboard, Bag 21 12 57,14%
J-SISKO TECH P-ISSN : 2621-8976 E-ISSN : 2615-5133 ◼
131
7 Bag, Clipboard 19 12 63,15%
8 Sling Bag, Clipboard 15 10 66,66%
9 Junior Backpack, Clipboard 15 11 73,33%
10 Note Keyring, Note Book 14 10 71,42%
11 Note Book, Pencil Case 19 12 63,15%
Tabel 3.7 : Hasil Minimum Confidence (Lanjutan)
12 Pencil Case, Notebook 17 12 70,58%
13 Pouch, Note Book 13 10 76,92%
14 Pencil Case, Bag 17 11 64,70%
15 Bag, Pencil Case 19 11 57,89%
16 Pencil Case, Junior Backpack 17 10 58,82%
17 Junior Backpack, Pencil Case 15 10 66,66%
18 Pouch, Bag 13 10 76,92%
3.3.4 Pembentukan Aturan Asosiasi Setelah mendapatkan nilai support dan confidence yang telah memenuhi pola kombinasi 2 itemset,
dengan ketentuan minimum support = 25% dan minimum confidence55% maka aturan asosiasi yang terbentuk adalah sebagai berikut :
Tabel 3.8 : Aturan Asosiasi Yang Terbentuk
No Itemset Support Confidence
1 Clipboard, Note Book 30,00% 57,14%
2 Note Book, Clipboard 30,00% 63,15%
3 Wallet, Clipboard 25,00% 100 %
4 Clipboard, Pencil Case 30,00% 57,14%
5 Pencil Case, Clipboard 30,00% 70,58%
6 Clipboard, Bag 30,00% 57,14%
7 Bag, Clipboard 30,00% 63,15%
8 Sling Bag, Clipboard 25,00% 66,66%
9 Junior Backpack, Clipboard 27,50% 73,33%
10 Note Keyring, Note Book 25,00% 71,42%
◼ P-ISSN : 2621-8976 E-ISSN : 2615-5133
J-SISKO TECH Vol. 3, No. 1, 2020 : 118-136
132
11 Note Book, Pencil Case 30,00% 63,15%
12 Pencil Case, Notebook 30,00% 70,58%
13 Pouch, Note Book 25,00% 76,92%
14 Pencil Case, Bag 27,50% 64,70%
15 Bag, Pencil Case 27,50% 57,89%
16 Pencil Case, Junior Backpack 25,00% 58,82%
17 Junior Backpack, Pencil Case 25,00% 66,66%
18 Pouch, Bag 25,00% 76,92%
4. IMPLEMENTASI DAN PENGUJIAN 4.1 Kebutuhan Sistem Setelah analisis perancangan aplikasi selesai maka tahapan selanjutnya adalah implementasi dari rancangan tersebut sekaligus menguji kinerja dari sistem yang telah dirancang. Aplikasi Penerapan Data Mining untuk menentukan pola penjualan peralatan sekolah dengan menggunakan Algoritma Apriori ini membutuhkan perangkat keras (hardware) untuk mengimplementasikan sistem agar berjalan dengan baik, spesifikasinya adalah sebagai berikut : 1. Komputer atau laptop dengan processor mulai dari Core 2 2. Memory dengan kapasitas minimal 2 GB 3. Harddisk minimal 320 GB
Sedangkan perangkat lunak yang dibutuhkan untuk menjalankan aplikasi Data Mining ini adalah
sebagai berikut:
1. Sistem Operasi Windows 2. Microsoft Visual Studio 2008 3. .Netframework 3.5 4. Microsoft Access 2007 5. Microsoft Excel 2007
4.2 Implementasi Sistem Implementasi sistem adalah tahapan dimana sistem atau aplikasi siap untuk dioperasikan pada
keadaan yang Implementasi sistem adalah tahapan dimana sistem atau aplikasi siap untuk dioperasikan
pada keadaan yang sebenarnya sesuai dari hasil analisis dan perancangan yang dilakukan, sehingga
akan diketahui apakah sistem atau aplikasi yang dirancang benar-benar dapat menghasilkan tujuan yang
dicapai.
Aplikasi Data Mining ini dilengkapi dengan tampilan yang bertujuan untuk memudahkan
penggunanya. Fungsi dari antaramuka ini adalah untuk memberikan input dan menampilkan output dari
aplikasi. Pada aplikasi ini memiliki interface yang terdiri dari Form Login, Form Menu Utama, Form Data
Barang, Form Data Transaksi, Form Kombinasi Item, Form Proses Algoritma Apriori dan Form Rancangan
Laporan.
1. Form Login Form Login digunakan untuk mengamankan sistem dari user-user yang tidak bertanggung jawab
sebelum masuk ke Menu Utama. Berikut adalah tampilan Form Login :
J-SISKO TECH P-ISSN : 2621-8976 E-ISSN : 2615-5133 ◼
133
Gambar 4.1 Form Login
2. Form Menu Utama Form Menu Utama digunakan sebagai penghubung untuk Form Data Barang, Form Data
Transaksi, Form Proses Algoritma Apriori, dan Form Laporan. Selain itu, ada beberapa menu lainnya
salah satunya ada sub menu Keluar pada bagian menu File bertujuan untuk mengakhiri program secara
keseluruhan.
Gambar 4.2 Form Menu Utama
3. Form Data Barang Form Data Barang adalah Form yang berfungsi untuk mengelola data penjualan peralatan sekolah
pada Brand Wigglo. Pada Form ini, user dapat menginputkan barang baru atau menghapus serta
mengubah data barang.
◼ P-ISSN : 2621-8976 E-ISSN : 2615-5133
J-SISKO TECH Vol. 3, No. 1, 2020 : 118-136
134
Gambar 4.3 Form Data Barang
4. Form Data Transaksi Form Data Transaksi adalah Form yang digunakan untuk mengelola data penjualan peralatan
sekolah pada Brand Wigglo. Berikut adalah tampilan Form Data Transaksi:
Gambar 4.4 Form Data Transaksi
5. Form Kobinasi Item Form Kombinasi Item adalah Form yang digunakan untuk mengelola data penjualan peralatan
sekolah pada Brand Wigglo. Berikut adalah tampilan Form Kombinasi Item:
J-SISKO TECH P-ISSN : 2621-8976 E-ISSN : 2615-5133 ◼
135
Gambar 4.5 Form Kombinasi Item
6. Form Proses Apriori Form Proses Apriori adalah Form yang digunakan untuk menghitung nilai Support dan Confidance.
Berikut adalah tampilan Form Proses Apriori:
Gambar 4.6 Form Kombinasi Item
7. Form Laporan Form Laporan adalah Form yang digunakan untuk mengetahui kombinasi diantara 2 item
Gambar 4.7 Form Laporan
4.3 Pengujian Dalam tahap ini akan dilakukan uji coba terhadap aplikasi Data Mining dengan menggunakan
Algoritma Apriori yang telah dibangun, Pengujian :
◼ P-ISSN : 2621-8976 E-ISSN : 2615-5133
J-SISKO TECH Vol. 3, No. 1, 2020 : 118-136
136
Gambar 4.8 Hasil Pengujian
5.1 Kesimpulan Dari hasil perancangan aplikasi data mining dalam menentukan pola penjualan peralatan sekolah
maka diperoleh suatu kesimpulan sebagai berikut: 1. Untuk menganalisa terhadap permasalahan yang terjadi maka dilakukan sebuah penelitian terhadap
data-data penjualan peralatan sekolah yang ada pada PT. Panen Lestari Internusa serta melalukan wawancara terhadap perusaaahan PT. Panen Lestari Internusa.
2. Untuk membentuk pola kombinasi itemset maka dilakukan sebuah perhitungan terhadap data transaksi yang ada kemudian dilakukan pencarian nilai support dan nilai confidance setelah itu dilakukan membentuk pola kombinasi itemset .
3. Untuk merancang aplikasi data mining maka dibutuhkan beberapa perancangan diantaranya adalah perancangan sistem, perancangan database dan perancangan user interface untuk mengdapatkan hasil yang sesuai dengan yang diharapkan.
UCAPAN TERIMA KASIH REFERENSI [1]Andi, & Madcoms. (2010). Seri Panduan Pemrograman Database Visual Basic dengan Crystal Report. Yogyakarta: Andi, & Madiun: Madcoms. [2]Hendrayudi. (2011). Dasar-Dasar Pemrograman: Microsoft Visual Basic 2008. Bandung: Satu Nusa. [3]Jogiyanto, H.M. (2012). Analisis dan Desain. Yogyakarta: Andi Offset. [4]Nofriansyah, D., & Nurcahyo, G. W. (2015). Algoritma Data Mining dan Pengujian. Yogyakarta:
Deepublish. [5]Rosa, A.S., & Shalahuddin, M. (2015). Rekayasa Perangkat Lunak: Terstruktur dan Berorientasi Objek. Bandung: Informatika. [6]Ali Ikhwan, Dicky Nofriansyah, Sriani. (2011). “Penerapan Data Mining dengan Algoritma Apriori untuk Mendukung Strategi Promosi Pendidikan ( Studi Kasus Kampus STMIK Triguna Dharma)”. Jurnal
Saintikom, 13(3), 213. [7]Ristianingrum, Sulastri,Implementasi Data Mining Menggunakan Algoritma Apriori, Jurnal Prosiding SINTAK 201, 372-382 [8]Ristianingrum, Sulastri,Implementasi Data Mining Menggunakan Algoritma Apriori, Jurnal Prosiding SINTAK 201, 372-382 [9]Yohanni Syahra, Yusnidah, Beni Andika, Penerapan Algoritma Fuzzy C-Means Dipadukan Dengan
Model Fuzzy Recency Frequency Monetary (RFM) Untuk Costumer Relationship Management (CRM), Jurnal SAINTIKOM Vol. 15, No. 1, Mei 2016